基于特征点的内窥镜图像和CT影像配准方法
基于特征点的图像配准技术研究
基于特征点的图像配准技术研究图像配准是计算机视觉领域中的一个重要问题，它涉及到将两个或者多个图像按照其相似性进行对齐或者拼接。
图像配准在很多应用中都扮演着至关重要的角色，例如医学影像分析、目标跟踪、虚拟现实等。
然而，图像配准是一个复杂的问题，需要考虑多种因素，如光照、角度、变形等。
为了解决这个问题，基于特征点的图像配准技术应运而生。
特征点定位是图像配准过程中的一个关键步骤，它涉及到在图像中提取和描述具有代表性的点。
这些点可以是角点、边缘、纹理交叉点等。
目前，常用的特征点定位算法有SIFT、SURF、ORB等。
这些算法大致可以分为三类：基于检测、基于滤波和基于深度学习。
在实际应用中，选择哪种算法取决于具体的应用场景和图像特性。
在图像匹配阶段，我们需要根据提取的特征点在多个图像之间建立对应关系。
这个过程通常涉及到计算特征点之间的相似性度量，如欧氏距离、余弦相似度等。
常用的图像匹配算法有Brute-Force匹配、FLANN匹配等。
在实际应用中，需要根据特征点的分布情况和图像内容来选择合适的匹配算法。
在特征点选择阶段，我们需要根据匹配结果和一定的选择准则来剔除不良特征点，从而优化配准效果。
常用的特征点选择方法有RANSAC算法、最小距离法、最大互信息法等。
特征点选择的好坏直接影响到配准结果的准确性和稳定性。
在算法实现阶段，我们需要将上述三个步骤进行整合，并采用合适的方法来实现特征点配准。
常用的算法有基于全局优化的配准算法和基于局部优化的配准算法。
其中，全局优化算法旨在寻找整体最优的配准变换，而局部优化算法则于局部区域的配准精度。
在实际应用中，需要根据具体需求来选择合适的算法。
基于特征点的图像配准技术是计算机视觉领域中的一项重要技术，它在很多应用中都扮演着关键的角色。
本文对特征点定位、图像匹配、特征点选择和算法实现等步骤进行了详细介绍，并通过实例说明了各步骤中涉及的方法和策略。
目前，基于特征点的图像配准技术已经取得了很大的进展，但仍存在一些挑战和问题需要解决。
医学图像处理中的图像配准方法探析
医学图像处理中的图像配准方法探析近年来，随着医学技术的不断发展，图像配准作为重要的医学图像处理方法之一，在医疗领域中得到了广泛应用。
图像配准可以将多个不同时间、不同成像设备获得的医学图像进行对齐，以便医生能够更准确地分析和诊断疾病，提高医疗效果。
本文将对医学图像处理中的图像配准方法进行探析。
一、基于特征的配准方法基于特征的配准方法是一种常用且有效的图像配准方法。
该方法通过寻找图像中显著的特征点，比如角点、边缘等，并计算这些特征点的相互关系来进行配准。
常用的特征提取算法包括SIFT、SURF和ORB等。
这些算法能够提取出图像中的稳定且能够描述图像内容的特征点，从而实现图像的配准。
二、基于像素的配准方法基于像素的配准方法是另一种常用的图像配准方法。
该方法通过计算图像之间像素值的相似性，从而实现图像的对齐。
基于像素的配准方法通常包括灰度相关性、互信息和归一化互相关等算法。
这些算法能够计算不同图像之间的相似性度量，从而实现图像的配准。
三、多模态图像配准方法在医学图像处理中，由于成像设备和成像模式的不同，常常会出现多模态的医学图像。
多模态图像配准是一种将不同成像模式下的图像进行对齐的方法。
常用的多模态图像配准方法包括基于特征的方法和基于像素的方法。
基于特征的方法通过提取图像中的特征点，并计算这些特征点在不同模态图像中的相互关系来实现配准。
而基于像素的方法则通过计算图像之间的相似度来实现多模态图像的配准。
四、局部图像配准方法局部图像配准方法是一种针对图像局部区域进行配准的方法。
在医学图像处理中，由于图像可能存在变形、畸变等问题，全局的图像配准方法可能会出现不准确的情况。
因此，局部图像配准方法可以有效解决这些问题。
局部图像配准方法通常包括局部特征匹配、局部变形模型和局部优化等算法。
这些算法能够针对特定区域进行配准，提高医学图像处理的准确性。
总结起来，医学图像处理中的图像配准方法有基于特征的方法、基于像素的方法、多模态图像配准方法和局部图像配准方法等。
测绘技术中的畸变校正与影像配准
测绘技术中的畸变校正与影像配准随着科技的不断发展，测绘技术在我们的生活中发挥着重要的作用。
从城市规划到农田管理，从环境保护到交通规划，测绘技术都扮演着重要的角色。
在测绘技术的发展过程中，畸变校正与影像配准是两个关键的环节。
一、畸变校正畸变是指由于光学系统或传感器的设计和制造不完美，导致图像在采集过程中发生形变的现象。
这种畸变会严重影响到图像的准确性和可用性，在测绘领域尤为重要。
对于正常的拍摄照片，我们无需考虑畸变问题，但对于测绘图像来说，畸变校正是不可或缺的。
测绘图像中最常见的畸变是摄影畸变。
这种畸变包括径向畸变和切向畸变。
径向畸变是由于镜头成像时光线的非线性传播导致的，使得图像的边缘出现拉伸或压缩的现象。
而切向畸变则是由于镜头的装配错误或使用不当导致图像出现倾斜和弯曲的情况。
为了消除畸变对测绘结果的影响，测绘技术中采用了畸变校正的方法。
畸变校正的目标是将图像返回到其原始形态，恢复成准确的视觉信息。
在传统的测绘技术中，畸变校正是通过测量畸变参数，并利用数值计算方法对图像进行变换来实现的。
但这种方法比较繁琐，并需要相对较高的计算资源。
近年来，随着计算机视觉的发展，畸变校正的方法也得到了革新。
利用计算机视觉技术，可以通过分析图像的特征点来估计畸变参数，并对图像进行校正。
这种方法不仅简化了操作流程，还提高了校正的精度和效率。
二、影像配准影像配准是指将不同来源或不同角度拍摄的影像进行几何变换或空间对齐，使得它们在同一参考坐标系下能够精确对应。
影像配准在测绘技术中扮演着重要的角色。
通过将多个影像进行配准，可以生成更加准确的测量结果，提高测绘产品的质量和可用性。
影像配准的方法根据应用需要和数据类型的不同，可以分为基于特征点的配准和基于区域的配准两种。
基于特征点的配准方法适用于具有明显特征点的影像，通过提取、匹配特征点来确定影像之间的关系，并进行几何变换。
这种方法具有较高的配准精度和效率，广泛应用于卫星影像、航空影像等。
医学影像分析中的图像配准方法综述
医学影像分析中的图像配准方法综述医学影像分析是指利用图像处理、模式识别和机器学习等计算方法对医学影像进行分析和处理，以获取相关的解剖、功能和病理信息。
而图像配准是医学影像分析的一个重要环节，它指的是将不同模态或不同时间点获取的医学影像图像进行准确的对齐，以便在后续分析和研究中提供更可靠的结果。
医学影像配准方法的目标是将不同的图像进行对齐，使得它们在空间和几何上相互吻合。
这样做的优点是提高了医学影像分析的准确性和可信度，同时也为临床医生和研究人员提供了更全面的信息，以便更好地诊断疾病、研究病变发展和评估治疗效果。
医学影像配准方法可以分为刚性配准和非刚性配准两大类。
刚性配准（Rigid Registration）是指通过旋转、平移和缩放等刚性变换使得图像彼此对齐。
刚性配准适用于同一器官的不同扫描或同一时间点的不同斜视图像等情况。
它的优点是计算快速、操作简单，但局限性在于无法处理组织形变引起的图像变化。
而非刚性配准（Non-rigid Registration）克服了刚性配准的局限性，它可以处理器官形变、组织变形以及疾病进展引起的图像差异。
非刚性配准算法基于局部区域的相似性进行配准，并对图像进行局部形变模型的建立，常见的方法有弹性体变形（Elastic Deformation）、三维网格配准（3D Mesh Registration）和基于特征的配准（Feature-based Registration）等。
在医学影像配准中，常用的方法有基于互信息（Mutual Information）的配准、基于特征点匹配的配准和基于局部图像特征的配准等。
基于互信息的配准算法是一种无需事先标记特征点的配准方法，它通过最大化目标图像和参考图像之间的互信息量来完成图像的配准。
互信息测量的是两个图像之间的统计相关性，由于它不受图像灰度变化和噪声的影响，因此被广泛应用于医学影像配准领域，尤其适用于多模态影像的配准。
基于特征点匹配的配准算法是一种通过识别图像中的关键特征点，并对其进行匹配和对齐的方法。
一种基于特征点的X射线图像配准方法
一种基于特征点的X射线图像配准方法安顺林;孙志毅;王银;孙前来;杨舒曼【摘要】精密铸件通过差影法检测缺陷时,图像配准是关键的一步.文中采用一种改进的随机Hough变换和空间数据坐标变换理论相结合的图像配准方法.该方法首先采用OTSU对图像二值分割,利用改进的随机Hough变换检测图像中的多个圆,并把多个圆心作为图像配准的特征点;然后根据特征点对应关系计算配准参数,确立坐标变换关系并对图像进行配准.实验验证了该方法可实现较高精度图像配准.【期刊名称】《太原科技大学学报》【年(卷),期】2017(038)006【总页数】4页(P424-427)【关键词】图像配准;Hough变换;特征提取;仿射变换【作者】安顺林;孙志毅;王银;孙前来;杨舒曼【作者单位】太原科技大学电子信息工程学院,太原030024;太原科技大学电子信息工程学院,太原030024;太原科技大学电子信息工程学院,太原030024;太原科技大学电子信息工程学院,太原030024;太原科技大学电子信息工程学院,太原030024【正文语种】中文【中图分类】TP391.9图像配准是图像处理与计算机视觉领域中的基础问题，它在计算机视觉、医学图像、无损检测及运动分析等领域有着广泛的应用[1]。
在工程上，对精密铸件内部缺陷进行检测时，常采用数字差影技术。
数字差影是把待检测图像与模板图像做减法，通过消除背景的干扰，得到差影图像，从而方便提取差影图像中的缺陷信息[2]。
而在实际检测获取射线图像过程中，由于设备及各种外在因素的影响，待检测铸件的射线图像经常会与模板图片发生平移和旋转，两幅图像若不能精确配准，会在差影图像中产生伪轮廓和移位假像，给图像中缺陷信息的提取和识别造成困难。
因此，如何准确、快速地配准图像成为提取缺陷信息的关键问题[3]。
图像配准算法主要分为两类：一类是基于区域灰度，另一类是基于特征，常用的图像特征有：特征点、直线段、边缘、轮廓、闭合区域等，如使用Harris 角点的匹配算法、基于尺度不变特征的图像配准方法[4-10]。
医学图像处理中的图像配准方法使用技巧分析
医学图像处理中的图像配准方法使用技巧分析在医学图像处理中，图像配准是一项非常重要的技术。
图像配准可以将不同时间、不同模态或不同患者的图像进行对齐，以便进行比较、分析和提取有用的信息。
本文将分析医学图像处理中常用的图像配准方法，并提供一些使用技巧。
1. 直接法配准技术直接法配准技术是一种基于图像亮度信息的方法。
常见的直接法配准技术包括归一化互相关(Normalized Cross-Correlation, NCC)和互信息(Mutual Information, MI)。
NCC是一种简单直接的相似性度量方法，它通过计算两幅图像之间的互相关系数来判断它们的相似度。
具体来说，NCC通过将两幅图像分别减去它们的均值并除以它们的标准差，然后计算两幅图像的互相关系数来评估它们的相似度。
NCC方法简单快速，适用于配准任务中的大多数情况。
MI则是一种基于图像统计学的方法，它通过计算两幅图像在像素值分布上的相似度来判断它们的相似度。
MI方法不仅考虑了图像亮度信息，还考虑了图像的空间关系。
MI方法适用于医学图像中的多模态图像配准，具有较好的适应性和准确性。
在使用直接法配准技术时，需要注意以下几个技巧：- 预处理：在进行图像配准之前，应进行必要的预处理操作，例如去除噪声、平滑图像等。
- 参数选择：直接法配准技术通常需要设置一些参数，如窗口大小、平滑系数等。
合理选择参数可以提高配准的准确性和鲁棒性。
- 评估准则：在进行图像配准时，应选择合适的评估准则来评估配准结果的质量。
常用的评估准则包括均方误差(Mean Squared Error, MSE)、结构相似性指数(Structural Similarity Index, SSIM)等。
2. 特征法配准技术特征法配准技术是一种基于图像特征的方法。
常见的特征法配准技术有角点检测、边缘检测和特征点匹配。
角点检测是通过寻找图像中的角点来进行配准。
角点是图像中一些明显的、稳定的、与图像几何变换不敏感的特征点。
医学影像处理中的图像配准算法实现技巧
医学影像处理中的图像配准算法实现技巧医学影像处理在现代医学诊断中起着至关重要的作用。
而图像配准作为其中重要的一环，是将不同影像之间进行准确的位置、尺度和方向的对齐，以实现医学影像的比较、融合和分析。
本文将介绍医学影像处理中的图像配准算法实现技巧。
一、图像配准概述图像配准是指将一组图像中的目标物体进行精确定位和对齐。
医学影像处理中的图像配准旨在准确地比较不同时间点或不同影像模态的医学图像，以便更好地追踪疾病的进展和评估治疗效果。
二、图像配准的算法医学影像图像配准的算法可以分为以下几类：1. 特征点匹配算法特征点匹配算法是一种常用的图像配准方法。
该方法通过检测图像中的特征点，并找到这些特征点之间的对应关系，从而实现图像的对齐。
常用的特征点匹配算法包括SIFT、SURF和ORB等。
首先，算法会在图像中提取特征点，并计算每个特征点的描述子。
然后，通过计算特征点描述子之间的相似度，找到最佳匹配。
最后，通过对特征点的位置进行配准，实现图像的对齐。
2. 基于互信息的配准算法互信息是一种常用的图像配准衡量指标，用于评估两幅图像的相似性。
基于互信息的配准算法主要包括归一化互信息（NMI）和互信息标准差（MIS）等。
该方法通过计算图像中的灰度直方图，并结合互信息来衡量两幅图像的相似度。
然后，通过优化配准变换参数，使得互信息最大化，实现图像的配准。
3. 基于变形场的配准算法基于变形场的配准算法利用变形场来描述图像的形变情况，并通过优化变形场来实现图像的对齐。
典型的基于变形场的配准算法有Thin-Plate Spline（TPS）和B-spline等。
该方法首先计算图像的像素点之间的位移，然后通过插值方法生成变形场。
最后，通过优化变形场的参数，实现图像的对齐。
三、图像配准的应用图像配准在医学影像处理中广泛应用于以下领域：1. 临床诊断医学影像图像配准可以提供医生在不同时间点或不同影像模态下进行疾病比较和评估的依据。
例如，在肿瘤的持续监测中，医学影像配准可以实现不同时间点下肿瘤的精确测量和比较。
图像配准的方法
7.4 图像配准的方法7.4.1 基于特征的图像配准基于特征的图像配准首先提取图像信息的特征，然后以这些特征为模型进行配准。
特征提取的结果是一含有特征的表和对图像的描述，每个特征由一组属性表示，对属性的进一步描述包括边缘的定向和弧度、区域的大小等。
局部特征之间存在着相互关系，如几何关系、辐射度量关系、拓扑关系等。
可以用这些局部特征之间的关系描述全局特征。
通常基于局部特征配准大多都是基于点、线或边缘的，而全局特征的配准则是利用局部特征之间的关系进行配准的方法。
由于图像的特征点比图像的像素点要少很多，因此大大减少了配准过程的计算量，但特征提取方法的计算代价通常较大，不便于实时应用。
特征点的配准度量值对位置的变化比较敏感，可以大大提高配准的精确程度。
对于纹理较少的图像区域提取的特征的密度通常比较稀少，局部特征的提取就比较困难。
特征点的提取过程可以减少噪声的影响，对灰度变化、图像形变和遮挡等都有较好的适应能力。
因此，在图像配准领域得到了广泛应用。
基于特征的图像配准方法有两个重要环节：特征提取和特征配准。
7.4.2 基于互信息的图像配准医学图像配准技术从基于特征的配准方法发展到基于统计的配准方法有其突破性的意义。
与基于特征的配准方法相比，基于统计的配准方法的突出优点为鲁棒性好、配准精度高、人工干预少。
基于统计的配准方法通常是指最大互信息的图像配准方法。
基于互信息的图像配准是用两幅图像的联合概率分布与完全独立时的概率分布的广义距离来估计互信息，并作为多模态医学图像配准的测度。
当两幅基于共同的解剖结构的图像达到最佳配准时，它们的对应像素的灰度互信息应为最大。
由于基于互信息的配准对噪声比较敏感，首先，通过滤波和分割等方法对图像进行预处理。
然后进行采样、变换、插值、优化从而达到配准的目的。
基于互信息的配准技术属于基于像素相似性的方法。
它基于图像中所有的像素进行配准，基于互信息的图像配准引入了信息论中的概念，如熵、边缘熵、联合熵和互信息等，可使配准精度达到亚像素级的高精度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于特征点的内窥镜图像和CT影像配准方法
医学图像配准是目前医学图像处理的关键技术。
将病人病灶部位的CT图像和遥操作微创手术机器人所隐含的数据信息结合，根据微创手术机器人系统的特殊要求，提出一种新的基于特征点的快速局部图像配准方法，可实现对特殊组织特征点和一般组织特征点的配准。
算法以欧氏距离作为配准相似度度量，用最近点迭代法（ICP）求解配准变换关系。
通过对医学图像进行测试，配准结果较好，该算法能实现对图像的整体轮廓及图像中感兴趣的生理解剖位置的配准。
标签：
医学图像配准；特征点；ICP算法
TB
1 引言
医学图像配准是目前医学图像处理的一项关键技术，其目的是建立患者坐标系和术前影像坐标系之间的映射关系，使术前影像和术中内窥镜图像上的几何特征在空间上对应起来，配准的结果使所有的解剖点或者是所有在医学上具有诊断意义的点和手术部位都达到匹配。
根据配准的过程，医学图像配准方法可以分为基于像素相似性和基于形状特征两类。
基于像素相似性的方法主要利用灰度值作为配准的准则，不需要对图像进行预处理，配准精确度高，缺点是耗费时间长、效率较低。
基于形状特征的配准方法主要是利用图像间的共有几何特征进行配准，常使用的形状特征有点、轮廓等，原理比较简单，应用广泛。
基于轮廓的配准方法根据所配准对象的边缘轮廓进行配准，可以快速实现图像的全局配准，对于距离轮廓较远区域的配准能力较差。
基于特征点的配准方法通过对特征点插值来计算映射转换关系，能够很好地完成点对之间的配准。
这两种方法各有侧重，基于轮廓的方法侧重图像整体的结构特征匹配，而基于特征点的方法能够处理任意点对间的变换和配准。
在微创手术过程中，视觉系统给手术医生提供直观的视觉信息反馈，便于手术医生进行手术位置定位以及手术过程中的视觉引导。
这里我们要根据从内窥镜得到的二维图像信息，结合遥操作微创手术机器人所隐含的数据信息，以CT图像为浮动图像，快速地建立内窥镜图像信息和CT图像的匹配。
2 特征点的提取
在微创手术机器人系统中，医学图像配准中所需的特征点通常是医生选取的在医学上具有解剖意义的一系列解剖点，而非纯粹的几何意义的点，解剖点大多灰度变换剧烈，或者具有特定的几何意义，例如拐点、高曲率点等。
人体器官模
型多为非规则的模型，这里以内窥镜得到的图像为参考图像，以CT图像为浮动图像，手术医生首先根据病人的CT图像，选取具有解剖意义的特征点。
手术医生在手术前可根据从内镜得到的放大的医学图像，观察手术器械末端和人体器官组织的相对位置关系。
基于遥操作技术的理论经验，手术医生操作手控器对需要手术的区域或待配准的其他组织的表面进行有限个特征点的提取，并按照提取的顺序将这些关键点进行存储，这些点大多为医生感兴趣的解剖点，可作为待手术区域或其他组织的特征点来参加配准。
在特征点的提取过程中，要求两幅图像中的特征提取次序保持一致，目的是减少配准过程中的计算复杂度。
提取的两组特征点如图1和图2所示。
利用手控器可实现对操作者手部运动的实时测量，当对具有解剖意义的关键点进行采集时，记录的这些点的坐标值是在手控器坐标系的坐标值。
微创手术机器人从手末端的位置信息可以通过相对于手控器的位置信息的坐标变换关系转换获得，那么我们就可以得到待手术的人体重要器官或组织表面特征点在从手坐标系里的位置信息，从而转化为内窥镜图像坐标系的坐标信息。
由于手术时医生只是对病灶部位进行操作，所以医生感兴趣的只是病灶及其周围的部分。
所以，在进行图像配准时，可选择对这部分组织进行局部配准即可。
3 图像配准
将病人病灶部位的CT图像和遥操作微创手术机器人所隐含的数据信息结合，提出一种新的基于特征点的图像配准方法，实现器官的局部配准。
下面按照图像配准方法的组成部分来描述本文算法，主要包括：配准策略，相似性测度和优化策略。
待配准的图像分别记为参考图像Ir和浮动图像It，从这两幅图像采集的特征点集记为Pr、Pt，点的个数都为N。
配准变换函数标记为T，相似性测度标记为E。
3.1 配准策略
这里将分成两步进行配准变换计算，第一步进行粗略配准，然后再进行精确配准。
首先利用最近的对应特征点对求解出旋转变换矩阵R，再结合其重心求解出平移向量t。
在由R和t确定的刚体变换下，点集Pr被映射到点集P′r=PrR+t。
3.1.1 粗略配准
首先通过手工方法在两个特征点集中指定n（n>3）组对应特征点对，每一组特征点对都对应于实际对象的同一个特征或者部位，利用浮动特征点集Pt中的n个特征（Pt1，Pt2，…，Ptn）和参考特征点集Pr中的n个特征（Pr1，Pr2，…，Prn）的变换关系Pti=R0Pti+t0，（i=1，2，…，n），来求解出刚性变换（R0，t0），从而实现粗略配准。
然后将变换（R0，t0）应用到特征点集Pt上得到其刚性变换后的特征点集
3.1.2 精确配准
薄板样条插值是多变量插值，Bookstein最早将其应用于点匹配的医学图像配准中。
对于二维图像，薄板样条函数的形式为：
F（x，y）=A（x，y）+R（x，y）
3.3 搜索策略
搜索的任务是在空间中寻找最优的配准变换关系，在搜索过程中以相似性测度的值作为判优的主要判据。
由于配准过程中往往需要大量的运算才能求解，搜索策略的好坏将直接关系到配准的速度，设计一个有效合理的搜索策略非常重要。
搜索的目标是使相似性测度函数E的取值最小。
本文采用最近点迭代法ICP 策略，此方法首先假设已经得到一个初始的位姿估计，然后从一个图像中选取一定数量的点作为控制点，并在另外一个图像中找出这些点的近邻点作为对应点，接着通过对这些对应点对间的距离最小化来求得一个变换，最后通过不断的迭代该过程直到满足收敛条件Ee为止。
4 实验结果及分析
运用上述方法对内窥镜图像和CT图像进行测试，配准结果较好，该算法能实现对图像的整体轮廓及图像中感兴趣的生理解剖位置的配准，收敛速度较快。
5 结论
本文的主要贡献在于将病人病灶部位的CT图像和遥操作微创手术机器人所隐含的数据信息结合，提出一种新的基于特征点的快速局部图像配准方法。
算法以特征点间的欧氏距离作为图像配准的相似度度量，用最近点迭代法（ICP）求解配准变换关系。
通过对医学图像进行测试，配准结果较好，该算法能实现对图像的整体轮廓及图像中感兴趣的生理解剖位置的配准，配准结果非常理想。
参考文献
[1]Barbara Zitova，Jan Flusser，Image registration methods： a survey[J].Image and Vision Computing，2003，（21）：977–1000.
[2]Bookstein F Fl，Principal warps：Thin plate splines and the decomposition of deformation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1989：567-585.
[3]彭文，童若锋等.基于图像与特征点的医学图像配准方法[J].中国图像图像学报，2007，9（13）：1126-1131.
[4]Shen J K，Matuszewski B J，Shark L K.Deformable image
registration[C].Proceedings of the IEEE International Conference on Image Processing.Genoa，Italy，USA，2005：1112-1115.
[5]Noblet V，Heinrich C，Heitz F，Armspach J P.3-D deformable image registration：A topology preservation scheme based on hierarchical deformation models and interval analysis optimization[C].IEEE Transactions on Image Processing，2005：553-566.。